[Python知识库]dy小姐姐一向好看~今天我们就用python来通通抓下来吧

前言

大家早好、午好、晚好吖~

环境使用]:

• Python 3.8

• Pycharm

• 谷歌浏览器

• 谷歌驱动

模块使用]:

• requests >>> pip install requests

• re

• json

• selenium >>> pip install selenium==3.141.0 <需要浏览器和浏览器驱动>

工具、软件安装教程 点击 蓝色字体 自取 ，我都放在这里了。

如何安装python第三方模块:

1. win + R 输入 cmd 点击确定, 输入安装命令 pip install 模块名 (pip install requests) 回车

2. 在pycharm中点击Terminal(终端) 输入安装命令

基本思路流程: <通用>

一. 数据来源分析

1. 确定需求 --> 采集那个网站上面什么数据内容

   • 视频标题

   • 视频播放链接 --> 才能下载视频

2. 通过开发者工具进行抓包分析 --> 网页浏览器自带工具

   • F12 或者 右键点击检查

   • 刷新网页 --> 让网页数据内容重新加载一遍

   • 选择 media 可以直接找视频播放链接

   • 通过开发者工具搜索, 可以直接找视频播放地址来源

二. 代码实现步骤过程:

2. 获取数据, 获取服务器返回响应数据 —> response

3. 解析数据, 提取我们想要的 视频标题以及播放地址

4. 保存数据, 把视频内容保存本地文件夹

代码

# 导入<工具> 数据请求模块 --> <相当于手机第三方应用>第三方模块, 需要自己在cmd / pycharm终端 里面进行 pip install requests
import requests
# 导入正则  --> 内置模块 不需要安装 <相当于手机自带APP>
import re
# 导入json模块 --> 内置模块 不需要安装 <相当于手机自带APP>
import json
# 导入格式化输出模块 --> 内置模块 不需要安装 <相当于手机自带APP>
from pprint import pprint
# 导入模块
from selenium import webdriver
# 导入时间模块
import time
# 采集多个视频, 获取所有视频ID就可以了 --> selenium <模拟人的行为去操作浏览器: 目的为了获取视频ID>

# 1. 打开浏览器 webdriver.Chrome('需要添加驱动路径')  如果驱动和你代码文件在同一个目录, 或者驱动在python安装目录下面
driver = webdriver.Chrome()

def drop_down():
    """执行页面滚动的操作"""  # javascript
    for x in range(1, 30, 4):  # 1 3 5 7 9  在你不断的下拉过程中, 页面高度也会变的
        time.sleep(1)
        j = x / 9  # 1/9  3/9  5/9  9/9
        # document.documentElement.scrollTop  指定滚动条的位置
        # document.documentElement.scrollHeight 获取浏览器页面的最大高度
        js = 'document.documentElement.scrollTop = document.documentElement.scrollHeight * %f' % j
        driver.execute_script(js)

drop_down()


# 3. 定位网页元素
lis = driver.find_elements_by_css_selector('.ECMy_Zdt')
if lis:
    pass
else:
    lis = driver.find_elements_by_css_selector('.Eie04v01')

# for循环遍历
for li in lis:
    url = li.find_element_by_css_selector('a').get_attribute('href')
    print(url)

1. 发送请求

• 等号左边都是自定义变量 --> 自己定义的昵称

• <Response [200]>

请求成功 --> 相当于打电话打通了, 有嘟嘟嘟声音, 但是对面可能给你挂了 <通话显示 广告>

• 获取服务器返回响应数据

response.text 获取响应文本数据

• 请求成功了, 但是没有得到数据

你直接用代码去请求, 人家服务器一看, 你是爬虫, 我不给你数据

确定请求url url<自定义变量名> --> 链接

    # 伪装成浏览器去发送请求
    headers = {
        # cookie 表示用户信息, 检测是否有登陆账号 <无论是否登陆账号都有cookie>
        # user-agent 用户代理, 表示浏览基本身份表示
        'user-agent': 'Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/101.0.0.0 Safari/537.36'
    }
    # 发送请求
    response = requests.get(url=url, headers=headers)

2. 获取数据

获取服务器返回响应数据 —> response

# print(response.text)

3. 解析数据

提取我们想要的 视频标题以及播放地址

re模块findall方法

re.findall(‘提取什么数据’, 什么地方取) --> 调用re模块里面findall方法 --> 找到所有我们想要数据内容

• 正则提取出来数据, 返回列表数据类型 [0] 列表索引位置取值, 取第一个元素

print(json_data) --> 打印字典数据, 呈现一行

pprint(json_data) --> 打印字典数据, 呈现多行 展开效果

    # 提取标题
    title = re.findall('<title data-react-helmet="true">(.*?)</title>', response.text)[0]
    # 提取视频信息
    html_data = re.findall('<script id="RENDER_DATA" type="application/json">(.*?)</script', response.text)[0]
    # 解码 字符串数据
    video_info = requests.utils.unquote(html_data)
    # 转换数据类型
    json_data = json.loads(video_info)
    # 字典取值 --> 根据冒号左边的内容[键], 提取冒号右边的内容[值]  键值对取值
    video_url = 'https:' + json_data['32']['aweme']['detail']['video']['bitRateList'][0]['playAddr'][0]['src']
    print(video_url)

4. 保存数据

–> 发送请求 获取数据

video_content = requests.get(url=video_url, headers=headers).content
# 'video\\' + title + '.mp4' 文件路径以及文件名后缀 wb二进制保存
with open('video\\' + title + '.mp4', mode='wb') as f:
    # 写入数据
    f.write(video_content)

print(title, '保存成功')

文章看不懂，我专门录了对应的视频讲解，本文只是大致展示，完整代码和视频教程点击下方蓝字

点击 蓝色字体 自取，我都放在这里了。

尾语 💝

好了，我的这篇文章写到这里就结束啦！

有更多建议或问题可以评论区或私信我哦！一起加油努力叭(? ?_?)?

喜欢就关注一下博主，或点赞收藏评论一下我的文章叭！！！